Gráficos de conocimiento y sus limitaciones
Con el rápido crecimiento de las aplicaciones de inteligencia artificial, los gráficos de conocimiento (KG) se han convertido en una estructura fundamental para representar el conocimiento en una forma legible por máquina. Organizan la información como tripletes (una entidad principal, una relación y una entidad de cola) formando una estructura similar a un gráfico donde las entidades son nodos y las relaciones son bordes. Esta representación permite a las máquinas comprender y razonar sobre el conocimiento conectado, respaldando aplicaciones inteligentes como respuesta a preguntas, análisis semántico y sistemas de recomendación.
A pesar de su eficacia, los gráficos de conocimiento (KG) tienen limitaciones notables. A menudo pierden información contextual importante, lo que dificulta capturar la complejidad y riqueza del conocimiento del mundo real. Además, muchos KG sufren de escasez de datos, donde las entidades y relaciones están incompletas o mal conectadas. Esta falta de anotación completa limita las señales contextuales disponibles durante la inferencia, lo que plantea desafíos para un razonamiento eficaz, incluso cuando se integra con modelos de lenguaje grandes.
Gráficos de contexto
Los gráficos de contexto (CG) amplían los gráficos de conocimiento tradicionales agregando información adicional como hora, ubicación y detalles de la fuente. En lugar de almacenar el conocimiento como hechos aislados, capturan la situación en la que ocurrió un hecho o una decisión, lo que lleva a una comprensión más clara y precisa del conocimiento del mundo real.
Cuando se utilizan con sistemas basados en agentes, los gráficos de contexto también almacenan cómo se tomaron las decisiones. Los agentes necesitan más que reglas: necesitan saber cómo se aplicaron las reglas antes, cuándo se permitieron excepciones, quién aprobó las decisiones y cómo se manejaron los conflictos. Dado que los agentes operan directamente donde ocurren las decisiones, naturalmente pueden registrar este contexto completo.
Con el tiempo, estos seguimientos de decisiones almacenados forman un gráfico de contexto que ayuda a los agentes a aprender de acciones pasadas. Esto permite que los sistemas comprendan no sólo lo que sucedió, sino también por qué sucedió, lo que hace que el comportamiento de los agentes sea más consistente y confiable.
¿Cuáles son los efectos de la información contextual?
La información contextual agrega capas importantes a la representación del conocimiento al ir más allá de simples entidades-hechos de relación. Ayuda a distinguir entre hechos que parecen similares pero que ocurren en condiciones diferentes, como diferencias de tiempo, ubicación, escala o circunstancias circundantes. Por ejemplo, dos empresas pueden ser competidoras en un mercado o periodo de tiempo pero no en otro. Al capturar ese contexto, los sistemas pueden representar el conocimiento de una manera más detallada y evitar tratar todos los hechos que parecen similares como idénticos.
En los gráficos de contexto, la información contextual también juega un papel clave en el razonamiento y la toma de decisiones. Incluye señales como decisiones históricas, políticas aplicadas, excepciones otorgadas, aprobaciones involucradas y eventos relacionados de otros sistemas. Cuando los agentes registran cómo se tomó una decisión (qué datos se utilizaron, qué regla se verificó y por qué se permitió una excepción), esta información se convierte en un contexto reutilizable para decisiones futuras. Con el tiempo, estos registros ayudan a conectar entidades que no están directamente vinculadas y permiten que los sistemas razonen basándose en resultados y precedentes pasados, en lugar de depender únicamente de reglas fijas o tripletas aisladas.
Ha habido un claro cambio en los sistemas de IA, de herramientas estáticas a agentes de toma de decisiones, impulsado en gran medida por los principales actores de la industria. Las decisiones del mundo real rara vez se basan únicamente en reglas; implican excepciones, aprobaciones y lecciones de casos pasados. Los gráficos de contexto abordan esta brecha al capturar cómo se toman las decisiones en todos los sistemas: qué políticas se verificaron, qué datos se utilizaron, quién aprobó la decisión y qué resultado se obtuvo. Al estructurar este historial de decisiones como contexto, los agentes pueden reutilizar juicios anteriores en lugar de volver a aprender repetidamente los mismos casos extremos. Algunos ejemplos de este cambio incluyen:
Las funciones Gemini de Gmail y los marcos de agentes basados en Gemini 3 muestran que la IA pasa de una simple ayuda a una toma de decisiones activa, ya sea administrando las prioridades de la bandeja de entrada o ejecutando flujos de trabajo complejos. Gmail se basa en el historial de conversaciones y la intención del usuario, mientras que los agentes de Gemini 3 usan la memoria y el estado para manejar tareas más largas. En ambos casos, el contexto importa más que las indicaciones individuales. Gemini 3 actúa como una capa de orquestación para sistemas multiagente (ADK, Agno, Letta, Eigent), de forma similar a cómo Gemini organiza el resumen, la escritura y la priorización dentro de Gmail. Funciones como AI Inbox y Respuestas sugeridas se basan en una comprensión persistente del comportamiento del usuario, al igual que los marcos de agentes como Letta y mem0 dependen de la memoria con estado para evitar la pérdida de contexto y garantizar un comportamiento consistente. Gmail convierte el correo electrónico en resúmenes y tareas pendientes procesables, mientras que los agentes con tecnología Gemini automatizan navegadores, flujos de trabajo y tareas empresariales, lo que refleja un cambio más amplio hacia sistemas de inteligencia artificial que actúan, no solo responden.
AbiertoAI
ChatGPT Health reúne datos de salud de diferentes fuentes (registros médicos, aplicaciones, dispositivos portátiles y notas) en un solo lugar. Esto crea un contexto claro y compartido que ayuda al sistema a comprender los patrones de salud a lo largo del tiempo en lugar de responder preguntas aisladas, de manera similar a cómo los gráficos de contexto vinculan los hechos con su contexto. Al utilizar el historial de salud personal y las interacciones pasadas, ChatGPT Health ayuda a los usuarios a tomar decisiones mejor informadas, como prepararse para las visitas al médico o comprender los resultados de las pruebas. Health se ejecuta en un espacio separado y seguro, manteniendo la información confidencial privada y contenida. Esto garantiza que el contexto de salud se mantenga preciso y protegido, lo cual es esencial para utilizar de forma segura sistemas basados en el contexto, como los gráficos de contexto.
J. Morgan
JP Morgan, que reemplaza a los asesores de voto con su herramienta de inteligencia artificial, Proxy IQ, muestra un cambio hacia la creación de sistemas de decisión internos que agregan y analizan datos de votación en miles de reuniones, en lugar de depender de recomendaciones de terceros. Al analizar los datos proxy internamente, la empresa puede incorporar el comportamiento histórico de votación, detalles específicos de la empresa y políticas a nivel de empresa, alineándose con la idea de gráficos de contexto que preservan cómo se toman las decisiones a lo largo del tiempo. El análisis interno basado en IA le da a JP Morgan más transparencia, velocidad y consistencia en la votación por poder, lo que refleja un movimiento más amplio hacia la toma de decisiones impulsada por IA y consciente del contexto en entornos empresariales.
Nvidia
NeMo Agent Toolkit de NVIDIA ayuda a convertir los agentes de IA en sistemas listos para producción al agregar controles de observabilidad, evaluación e implementación. Al capturar rastros de ejecución, pasos de razonamiento y señales de desempeño, registra cómo un agente llegó a un resultado (no solo al resultado final), alineándose estrechamente con la idea de los gráficos de contexto. Herramientas como el seguimiento de OpenTelemetry y las evaluaciones estructuradas convierten el comportamiento de los agentes en un contexto utilizable. Esto facilita la depuración de decisiones, la comparación de diferentes ejecuciones y la mejora constante de la confiabilidad. De manera similar a cómo DLSS 4.5 integra profundamente la IA en los canales de gráficos en tiempo real, NAT integra agentes de IA en los flujos de trabajo empresariales. Ambos resaltan un cambio más amplio hacia sistemas de IA que conservan el estado, la historia y el contexto, lo cual es fundamental para una implementación confiable a gran escala.
microsoft
Copilot Checkout y Brand Agents convierten las conversaciones de compras en compras directas. Las preguntas, comparaciones y decisiones ocurren en un solo lugar, lo que crea un contexto claro sobre por qué un cliente eligió un producto. Estos agentes de IA operan exactamente donde se toman las decisiones de compra (dentro de chats y sitios web de marcas), lo que les permite guiar a los usuarios y completar el pago sin pasos adicionales. Los comerciantes mantienen el control de las transacciones y los datos de los clientes. Con el tiempo, estas interacciones crean un contexto útil sobre la intención del cliente y los patrones de compra, lo que ayuda a que las decisiones futuras sean más rápidas y precisas.
Soy graduado en ingeniería civil (2022) de Jamia Millia Islamia, Nueva Delhi, y tengo un gran interés en la ciencia de datos, especialmente las redes neuronales y su aplicación en diversas áreas.